x66ccff

明白了。你指的是一个简单的线性回归模型，其中因变量yt​被建模为时间的函数t。yt​μτtϵt​其中:yt​表示t时刻的观测值;μ为回归的截距项(t0时y的期望值)，τ是斜率项，表示t增加一个单位(趋势分量)时y的变化，ϵt​为误差项，表示由于模型中未包含的因素导致的与模型的随机偏差。给定一个时间序列x1​x2​...xn​和相应的时间索引t12...n，您可以使用普通最小二乘(OLS)回归估计μ和τ。

它们没有表明回归量是否与结果变量有因果关系，也没有表明模型是否是备选方案中最好的。查看残差并执行其他诊断检查以确保模型的适当性总是很重要的。对于被线性趋势很好地近似的时间序列，这种归一化线性度量(NL)将接近于0，对于不被线性趋势很好地近似的时间序列，这种归一化线性度量(NL)将接近于1。为了使其规范化，可以将SSE除以表示原始数据可变性的度量。范围从0到1，其中接近1的值表明该模型解释了结果变量的大部分方差，表明更线性的关系。如果不考虑模型和数据的上下文，使用。的预测值，而的观测值是。

这个版本的测试检查时间序列是否在没有趋势的恒定平均值附近平稳。零假设是序列是水平平稳的。:此版本检查时间序列是否围绕确定性趋势(可能是线性或其他形式)是平稳的。零假设是，序列是趋势平稳的，也就是说，序列有确定的趋势，但去趋势后，残差是平稳的。例如，yx1，其中序列似乎具有确定性线性趋势，x每增加1，则KPSS测试将根据使用的版本产生不同的结果:-如果对执行KPSS检验，该检验可能会导致拒绝零假设，因为该系列的平均值随着时间的推移而不是恒定的-它随着x的增加而增加。

术语“单位根”来自数学语言，特别是来自与时间序列模型相关的特征方程的研究。在时间序列分析中，“根”一词是指该特征方程的解，它对于确定模型的性质至关重要。

证明某些对象的存在而不需要构造它们。

互信息

对于独立同分布的离散无记忆随机变量。，则如果要将其无损压缩为串。产生的序列，如果其熵为。

SVD分解

PCA原理

【离散数学】图论-思维导图。

【离散数学】代数系统-思维导图。

3）当 λ 是矩阵 A 的特征值时， λ 的几何重数是 n-r(λ E-A)，所以，通过验证每一个特征值是不是“代数重数=几何重数”，就可判断特征向量是不是线性无关->可以相似对角化。第三步，来验证k重根是不是具备k个线性无关的特征向量，也就是看A-λE或λE-A的秩是否等于n-k，若相等，立即推可相似对角化，不相等，则不能进行相似对角化。第二步，求方阵的n个特征值，如果特征值彼此都不相同，也就是都是单根的话，立即推可相似对角化，如果有重根，看第三步；......